板材最优化套裁下料方法与程序

本文以研究天津客车厂现生产的〈TJ-620B型汽车冲压件板材优化下料方案〉为背景,根据线性规划理论和组合原理,采用了逐级优化的设计思想,深入地研究了板材下料问题,从建立数学模型到研制计算机软件,通过计算得出最优化套裁下料方案,使原材料利用率从80%提高到94.79%。该厂试生产一个月就节省钢板30余吨,价值人民币6万元,全年可节省70多万元,经济效益显著。     

线性下料问题模型的建立与改进

从实际的线性下料出发,利用整数规划模型,给出使企业浪费原料最少,同时兼顾企业生产能力的通用下料模型;关键的是还提出了改进的下料模型,改进的模型考虑到切割种类所带来的费用.这个模型的计算只需借助lingo软件,大大地减少了线性下料问题的复杂性,并降低了生产成本.     

水电站工程施工中钢筋下料优化问题初探

水电站施工中，钢材消耗量巨大，而目前的钢筋下料却仍然停留在以经验为主的下料配表状态，浪费很大，人为导致废材增加，也无法量化多余损耗量。这些原因导致施工企业成本负担很大，大大降低了企业的市场竞争力。进一步深入研究这些问题，对于企业节约成本，提高竞争能力有很重要的作用。     

一维实用下料问题的一种解法

针对单一原材料的一维下料问题,建立了整数规划模型,然后将模型转化为求解最优下料方式问题;利用lingo进行编程,实现循环调用得到一维下料问题的局部最优解.结果显示,下料方式K=60,利用率为98.711%,同时满足时间约束.     

应用三块排样方式求解二维下料问题

本文采用顺序价值修正框架和三块排样方式求解二维下料问题。该框架顺序生成排样方案中的各个排样方式(排样图),用每个排样方式满足部分毛坯的需求,直到满足全部需求为止;动态调整毛坯价值,使毛坯价值趋于合理;多次迭代生成多个不同的排样方案,实现优选。采用的三块排样方式通过不完全枚举法生成,其中最多包含三种毛坯,从而有利于简化下料工艺。通过与线性规划算法比较,说明在毛坯需求量较小的情况下,本文算法能有效减少板材消耗量。     

从线性整数规划谈一维下料问题

一维下料问题是运筹学的一个经典NP-hard问题,在生产中普遍存在．优化下料可以提高原材料的利用率, 是企业增加经济效益的途径之一．从线性整数规划开始讨论了下料问题的各种模型,提出了一些需要改进的问题, 介绍了目前该问题研究的热点．     

解决二维合理下料问题的一种新方法

为解决二维合理下料问题,本文提出了一种新的下料方法,给出相应的数学模型及计算方法。此方法具有简单、计算量小等特点。实例计算表明,它对节省板材效果显著。     

多线材一维下料问题的求解策略

本文将线性规划与增强顺序法相结合,求解多线材一维下料问题.采用具有全容量特性的解法,一次生成多个排样方式,按比值法选择新排样方式.实验结果表明:对于文献中报道的一些例题,运用算法可降低线材成本;和商业一维下料CAD系统相比,在下料方案的线材成本相同的前提下,本文算法可大幅度缩短计算时间.     

一维下料优化的一种新算法

针对一维下料优化问题,提出了一种基于启发式多级序列线性优化思想的新算法,即将下料优化问题转化为多级序列线性优化问题求解．每级求解时,在当前可行的下料方式中选择最优的一种进行下料。不断重复此操作。直到所有剩余的坯料数目均减小至零为止．原问题的最优解就是各个序列优化问题所求得的最优下料方式的总合．计算表明,与目前常用的整数线性规划或遗传算法相比较．该算法有结构简明、计算速度快、节材效果好的优点．     

求解一维下料问题的改进混合遗传算法

针对一维下料问题,设计了一种局部搜索方法,并将其与遗传算法结合构造了新的混合遗传算法.大量实验表明,该算法求解一维下料问题是行之有效的.     

实用下料问题的优化算法

本文针对单一原材料下料问题，讨论了如何在合理的时间内求得一维和二维实用下料问题的较优解。我们实现的是一种改进的以模式为导向的下料方案。以模式为导向的下料方法是相对于以需求为导向的下料方法而言的，即把几种零件组合进行下料，一次切割可得到不同规格的零件，以达到节省原材料的目的。我们的改进是引入了动态权值，具体来说，依据各零件的完成时间要求，赋给每种零件一个权值，而且这个权值会随着下料的进行而不断改变，以调整下料时零件的优先次序。引入动态权值后，不仅能解决时限问题，而且能优化搜索过程。在搜索下料方案的过程中，一维主要采用回溯法搜索部分状态空间，从中找出较优解；二维情形，观察到各种零件的长度比原料的宽度大很多，所以只能按原料的长边方向切割零件的长边，我们运用二叉树前序遍历法去寻找较优解。求得一维问题的下料结果是：需要804块原料，61种下料方式，废料总长度为37012mm，能保证任务按时完成。求得二维问题的解答：需要472块原料，52种下料方式，废料总长度为7340880mm^2，能保证任务按时完成。本模型具有操作简便，求解速度快，适应性好等优点，稍稍修改一些初始值就可以适应新的实际情况。算法是用编程来实现的。     

铁芯迭片的多板材下料优化策略研究

下料问题广泛存在于制造行业,是组合优化问题的经典应用。针对大中型发电机定子和转子制造过程中所需的圆形和扇形两种迭片的下料问题。本文构建了迭片的套裁优化模型,提出与单种迭片价值调整不同的混合迭片价值调整公式,用动态规划的递推方法求解布局图,提出最大比值法对多规格板材的布局图进行选择。与其他方法相比,本文方法可获得较高的材料利用率,可对企业的实际生产下料具有参考的价值和实践指导的意义。     

基于VNABC的多规格板材二维下料问题

针对二维下料问题板材单一的特点,研究了多规格板材二维下料问题。板材规格多样、毛坯规格多样且数量庞大,是NP(Non-deterministic Polynomial)完全问题。针对该问题的特点,将下料过程设计成规整和非规整两个阶段。规整阶段完成每种矩形毛坯的主体下料任务之后,如仍有毛坯剩余,则进入非规整阶段采用BL算法（Bottom Left Algorithm）下料剩余毛坯。根据模型特点,提出变邻域人工蜂群算法（VNABC）,设计两种解码策略STD和SLD,并改进了VNABC算法的操作算子。最后,采用响应面分析法对VNABC算法进行参数标定。通过仿真实验将VNABC算法与遗传算法（GA）、改进粒子群优化算法（NUS）、模拟退火算法（SA）、人工蜂群算法（ABC）进行了对比分析,实验结果验证了VNABC解决多规格板材二维下料问题的优越性。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

汽车涂装中虚拟重排序问题建模与求解

针对汽车涂装中的虚拟重排序问题,建立了关于颜色转换次数最少的0-1二次整数规划模型.根据0-1变量的特点,把该0-1二次整数规划转化为以相邻颜色个数最大为目标的0-1线性整数规划,从而使得所建立的虚拟重排序模型可直接用现有优化软件求解,无须设计专门解法.所建模型在任何虚拟重排序场合均可采用或借鉴.     

基于滚动时域混合整数线性规划的汽车紧急避让问题求解方法

为了提高汽车高速紧急避让行驶安全性,提出一种汽车紧急避让问题求解方法.基于滚动时域混合整数线性规划(RHC-MILP),通过引入逻辑变量和连续变量的混合形式的线性约束来描述障碍物避让约束,对车辆的动态特性进行线性近似,建立离散时间模型;以整数变量描述车辆和障碍物之间的相对位置,以安全顺利避开障碍物性能指标作为代价函数,建立混合整数规划,并采用滚动时域控制策略进行求解.仿真和实车试验结果表明,该方法能够求解汽车的紧急避让问题,具有求解精度高,求解时间短的优势,并且仿真值和试验值的变化趋势基本一致,从而验证了该方法的正确性和可行性.     

北约体制的结构性缺陷与美欧的互动调整

北约体制是以美国为主导,以欧洲国家为主体,以欧洲安全事务为主要内容的结构形式,主导国家与主体国家的分离是形成结构性缺陷的根本原因。在冷战后成员利益出现分化时,这种缺陷凸显,井严重威胁到现行北约体制。为了维护北约体制的存续,美、欧双方基于自身利益和实力都进行了深刻地调整,并逐渐形成北约未来体制模式和制度框架。     

一种求解WTA问题的二次松弛方法

为了求解联合作战中的武器目标分配问题（WTA）,在简要介绍WTA模型的基础上,根据WTA模型特征,利用松驰理论和方法,先将模型松弛为混合整数线性规划问题,然后利用Lagrange松弛,将模型分解为2个子问题：线性规划子问题和整数规划子问题,利用全单模矩阵特性求解整数规划子问题,并根据2个子问题的关系调整参数范围。理论证明该方法可以快速有效地给出改善的WTA问题的可行解。数值实验结果表明该方法对不同规模的WTA问题都有较好效果,适合不同战场环境下联合作战对WTA问题求解的实时性要求。     

求解非线性优化问题的Filter方法

序列二次规划是目前求解非线性规划约束问题的最有效的方法,但一般都采用罚函数法进行线性搜索,这使得它有很大的局限性,为了克服罚函数法存在的缺点,R.Fletcher和S.Leyff提出了一种filter方法取代了罚函数法,使迭代点能够保证目标函数或约束函数充分下降,理论分析和数值实验均表明,该方法优于传统的SQP算法。     

求解一类整数规划问题最优解的算法

本文给出了求解一类整数规划问题所有最优解的两个算法．一个算法较为简单，其时间复杂性为O（n）,另一个算法求解较为快速，其时间复杂性为O（log n）.